Des chercheurs du MIT utilisent l'IA pour aider les voitures autonomes à éviter de tourner au ralenti aux feux rouges

Et si les automobilistes pouvaient planifier leurs déplacements avec précision de manière à passer directement aux feux de circulation à chaque fois ?

Bien que cela n'arrive qu'aux conducteurs humains dans des circonstances particulièrement chanceuses, cela peut également être fait par des véhicules autonomes utilisant l'IA pour contrôler leur vitesse sont mis en œuvre de manière plus stable.

Dans une nouvelle étude, des scientifiques du Massachusetts Institute of Technology (MIT) démontrent une approche d'apprentissage automatique. La méthode peut apprendre à contrôler une flotte de véhicules autonomes pour maintenir la fluidité de la circulation à l’approche et au passage d’une intersection signalée.

Selon les résultats de simulation, leur méthode peut réduire la consommation de carburant et les émissions tout en augmentant la vitesse moyenne des véhicules. La technologie fonctionnera mieux si toutes les voitures sur la route sont autonomes, mais même si seulement 25 % des voitures utilisent leurs algorithmes de contrôle, elle apportera toujours d’énormes avantages en termes de carburant et d’émissions.

« C'est un endroit vraiment intéressant pour intervenir. La vie de personne ne sera meilleure parce qu'elle est coincée à une intersection. Il y a une différence de qualité de vie attendue dans beaucoup d'autres interventions sur le changement climatique, il y a donc un obstacle. entrée là-bas", a déclaré Cathy Wu, auteur principal de l'étude. Il est rapporté qu'il est professeur adjoint de développement de carrière Gilbert W. Winslow au Département de génie civil et environnemental et membre de l'Institut des données, des systèmes et de la société (IDSS) et du Laboratoire des systèmes d'information et de décision (LIDS).

LIDS et Vindula Jayawardana, étudiante diplômée au Département de génie électrique et d'informatique, sont tous deux les premiers auteurs de l'étude. La recherche sera présentée à la Conférence européenne de contrôle.

Intersections complexes

Bien que les humains puissent traverser un feu vert sans réfléchir, les intersections peuvent se produire dans des milliards de situations différentes en fonction du nombre de voies, du fonctionnement des feux, du nombre et de la vitesse des véhicules, de la présence de piétons et de cyclistes. , etc.

L'approche typique pour résoudre les problèmes de contrôle d'intersection consiste à utiliser un modèle mathématique pour résoudre une intersection simple et idéale. Cela semble bien sur le papier, mais cela ne tiendra probablement pas dans le monde réel, où les schémas de trafic sont souvent chaotiques.

Wu et Jayawardana y ont réfléchi sous un autre angle. Ils ont utilisé une technologie sans modèle appelée apprentissage par renforcement profond pour résoudre ce problème. L'apprentissage par renforcement est une méthode d'essais et d'erreurs dans laquelle un algorithme de contrôle apprend à prendre une série de décisions. Lorsqu'il trouve une bonne séquence, il est récompensé. Avec l’apprentissage par renforcement profond, les algorithmes utilisent les hypothèses apprises par les réseaux de neurones pour trouver des raccourcis vers de bonnes séquences, même s’il existe des milliards de possibilités.

Cela est utile pour résoudre des problèmes à long terme comme celui-ci. Wu a souligné que l'algorithme de contrôle doit émettre plus de 500 instructions d'accélération au véhicule sur une longue période de temps. De plus, elle a ajouté : "Et nous devons obtenir la bonne séquence avant de savoir que nous avons bien atténué les émissions et que nous sommes à l'intersection à un bon rythme."

Il y a un problème ici, cependant, et c'est que les chercheurs veulent activer le. système pour apprendre une stratégie pour réduire la consommation de carburant et limiter l’impact sur le temps de trajet. Ces objectifs peuvent être en conflit les uns avec les autres.

"Pour réduire le temps de trajet, nous voulons que la voiture roule vite, mais pour réduire les émissions, nous voulons que la voiture ralentisse ou ne bouge pas du tout. Ces récompenses concurrentes peuvent être très déroutantes pour l'agent d'apprentissage", a déclaré Wu.

Bien que résoudre le problème général soit un défi, les chercheurs ont utilisé une technique appelée mise en forme de la récompense pour le contourner. Grâce à la mise en forme des récompenses, ils donnent au système des connaissances dans un domaine qu'il ne peut pas apprendre par lui-même. Dans ce cas, ils punissent le système à chaque arrêt complet du véhicule afin qu'il apprenne à éviter ce comportement.

TEST DE TRAFIC

Une fois que les chercheurs ont développé un algorithme de contrôle efficace, ils l'évaluent à l'aide d'une plateforme de simulation de trafic avec une seule intersection. L'algorithme de contrôle est appliqué à une flotte de véhicules autonomes en réseau qui communiquent avec les feux de circulation à venir pour recevoir des informations de phase et de synchronisation des feux et observer leur environnement. Cet algorithme de contrôle indique à chaque véhicule comment accélérer et décélérer.

Leur système n'a provoqué aucun arrêt de circulation à l'approche de l'intersection. Dans la simulation, plus de voitures sont passées au cours d’une seule phase de feu vert qu’un modèle simulant un conducteur humain. Par rapport à d’autres méthodes d’optimisation visant également à éviter les embouteillages, leur technologie permet de réduire encore plus la consommation de carburant et les émissions. Si chaque voiture sur la route était autonome, leurs systèmes de contrôle pourraient réduire la consommation de carburant de 18 % et les émissions de CO2 de 25 %, tout en conduisant 20 % plus vite.

Wu a déclaré : « C’est vraiment incroyable d’avoir une réduction de 20 à 25 % du carburant ou des émissions grâce à une seule intervention. Mais ce que je trouve intéressant, et ce que je veux vraiment voir, c’est cette mise à l’échelle non linéaire si nous contrôlons seulement. 25 % des véhicules, cela nous donne un bénéfice de 50 % en matière de réduction de carburant et d'émissions. Cela signifie que nous n'avons pas besoin d'attendre d'atteindre 100 % de véhicules autonomes pour bénéficier de cette approche. »

Ensuite, les chercheurs espèrent étudier. les effets interactifs entre plusieurs intersections. De plus, ils prévoient d'explorer comment différents paramètres d'intersection tels que le nombre de voies, les feux, le timing, etc. affectent les temps de trajet, les émissions et la consommation de carburant. De plus, ils prévoient d’étudier l’impact de leurs systèmes de contrôle sur la sécurité lorsque des véhicules autonomes partagent la route avec des conducteurs humains.

Bien que ce travail n'en soit qu'à ses débuts, Wu pense que cette approche pourrait être plus réalisable à mettre en œuvre dans un avenir proche.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!